针对目测法无法及时发现直拉单晶硅在等径生长阶段发生的掉苞问题，本文提出一种基于ISOMAP-DE-SVM的掉苞预测模型，可以在掉苞现象发生之前发出警告。首先剔除方差较小的参数，采用斯皮尔曼相关系数法剔除冗余参数，采用最大互信息法检验剩余参数的非线性相关性；然后将关键参数的均值和标准差作为等度量映射和多维放缩的输入，得到两份样本数据；最后将这两份样本数据分别输入到经过差分算法、遗传算法优化的支持向量机预测模型,得到4份预测结果。预测结果表明：基于ISOMAP-DE-SVM的预测模型具有收敛速度快、准确度高的特点，平均预测准确率可以达到96%；同时，所使用的方法揭示了单晶硅等径阶段的数据具有非线性特点。通过实际应用验证表明模型具有一定的工程实用价值。

针对Isomap-NFINDR端元提取算法复杂度高、占用内存多、效率低的缺点, 提出一种基于标志点选择Isomap的快速端元提取算法。该方法采用最大最小距离法来选取初始的K个聚类中心点, 并采用光谱夹角距离SAD代替欧式距离来进行聚类分割; 根据图像的空间特性, 从去除聚类的边界点后剩余点间隔抽取距离聚类中心距离最小的N个点作为标志点。真实高光谱图像实验结果表明, 提出的算法精度接近原始的基于Isomap-NFINDR算法, 而效率提高了将近60倍。

经典流形算法等距映射（ISOMAP）和局部线性嵌入（LLE）可以对高光谱数据进行降维，但不能解决大尺度高光谱图像的流形降维难题。详细论述了ISOMAP和LLE在大尺度高光谱流形降维中遇到的问题，提出了一种基于增量等距映射（IISOMAP）和LLE结合的高光谱流形降维算法IISOMAP-LLE，并针对流形降维算法较线性降维算法最小噪声分离（MNF）可以更好地发掘出高光谱数据中的非线性结构的优点，通过AVIRIS和OMIS-II数据实验验证了算法的可行性和优越性，并证明了IISOMAP-LLE算法可以避免增强型等距映射(ENH-ISOMAP)中由于Landmark点选取不当而造成的本征维数较大时类间可分性反而低于MNF的缺点。

在可见/近红外光谱分析中, 提取光谱数据中的有用信息是建立稳健准确模型的前提。 ISOMAP是一种有效的提取数据本真维的降维方法, 但对噪声和邻域参数都比较敏感。 提出了一种改进的ISOMAP有监督降维方法, 利用光谱数据本身的相关性指导邻域图的构建, 降低对噪声和邻域参数的敏感程度, 以正确表达数据的邻域结构。 采用该方法对两组光谱数据降维并进行PLS建模, 结果表明, 改进后的算法消弱了邻域大小的影响, 提取出的本真维数更小, 同时提高了模型精度。